AI駆動バッテリー寿命予測が新設計検証を強化

ミシガン大学で構築されたAIツールは、以前のバッテリーのテストデータを利用して新しい設計の性能を予測します。（画像：Xin Zou、ウィスコンシン大学マディソン校）

Tech Briefs: このプロジェクトを始めた動機は何ですか？

Ziyou Song: 私はアカデミアと産業界の両方で働いてきたので、バッテリーテストと検証に関するペインポイントを知っています。新しいバッテリー設計があるとき、それが前のものとそれほど違わなくても、いつも同じような条件下で全てのラボテストを行います。それには少なくとも6ヶ月かかり、大量のエネルギーを消費します。そこで、新しい設計がそれほど違わないなら、以前のデータセットを使えないか？ 前の設計からの知識とデータパターンを活用して、新しい設計の寿命を予測できないか？ そうすれば大幅な時間とエネルギーの節約になります。

私たちは「科学のためのAI」という視点からこの問題を見ています。これは新興分野であり、科学的予測は最も重要な問題の1つです。特に機械学習手法のコスト効率に焦点を当てています。いかに最小限のデータで、同等以上の予測性能を達成できるか。

Tech Briefs: バッテリー設計が前のものと異なるという事実をどう扱っていますか？

Song: この質問には、私たちの特定のフレームワークに踏み込む必要があります。数十年前の研究からの概念を活用し、人間が世界を知覚し知識を得るプロセスを模倣しています。例えば、観察によって大まかに学び、授業を受けて正確に学び、他者に尋ねて学びます。私たちのフレームワークは「発見学習」と呼ばれる教育アプローチを活用しています。新しいバッテリー設計があるとき、それを既存のバッテリーセルにマッピングし、それらのデータセットを新しい設計にどう活用できるかを見て、長期テストなしで寿命予測を行います。

新しい設計をテストして、最初の数十サイクルでの初期パラメータとその進化を観察します。それから、このパターンを以前のバッテリーにマッピングしようとします。なぜなら、それらについては完全なデータセットを持っているからです。類似パターンが見られれば、新しい設計が以前のものと類似していると分かります。そこで、その知識、データパターンを活用して、新しいバッテリーの寿命を予測します。

Tech Briefs: バッテリーテストで多くのエネルギーを使うのは、負荷下でテストするからですか？

Song: まさにそうです。ラボサイクルテストでバッテリーセルをテストする際、何百回、何千回も充放電を繰り返す必要があり、大量のエネルギーを消費します。なので、50サイクルだけで済めば、大幅な節約になります。

サイクル数を減らすだけでなく、テストするセル数も減らせます。以前は異なる動作条件をカバーするために、例えば100セル、100チャネルで異なる条件下でテストする必要がありました。だが今では、そのうちの一部だけをカバーすればよく、例えば10セル、10動作条件、50サイクルで済みます。より短いサイクル時間と、より少ないバッテリーセルのテストの両方でエネルギーを節約できます。

Tech Briefs: テストする条件にはどんなものがありますか？

Song: 温度は非常に重要な指標です。もう1つはバッテリーの使い方です。例えば、あなたと私が携帯電話を持っているとして、使い方はおそらく大きく異なります。私は常にフル充電したがるので、バッテリーが急速に劣化します。でもあなたが充電状態（SOC）の中央付近で使うなら、もっと長持ちするでしょう。人によってバッテリーの使い方が違うので、できるだけ多くの条件をカバーしたいのです。

Tech Briefs: システムには3つのコンポーネント（学習者、解釈者、オラクル）があると読みました。それらを説明してください。

Song: それらは発見学習の3つのコンポーネントです。最初は学習者 — 質問をし、どのセル設計とプロトタイプをテストするかを決めるものです。学習者は解釈者にコマンドを渡し、解釈者は初期サイクルテストデータを活用して、物理パラメータ、すなわち特徴量からなる特徴空間を構築します。それらはバッテリー専門家や科学者によって解釈可能なものです。つまり、無意味な統計的特徴量ではなく、バッテリーエンジニアや科学者が解釈できる特徴量を使っています。その後、解釈者はこれらの特徴量をオラクルに提供します。オラクルはいわゆるゼロショット学習を行い、追加実験なしで新しいバッテリー設計の寿命を予測します。オラクルは予測結果を学習者に返し、学習者はそれらを信頼して学習します。数回の実行後、学習者は自分で新しいバッテリー設計を予測できるようになります。最終的に、学習者とオラクルが共同で全バッテリーサンプルの予測を行います。

Tech Briefs: Song教授、今やっていることに似たパターンを持つバッテリーを学習元として選ぶとおっしゃいました。どのバッテリーをモデルとして使うかどう選ぶのですか？

Song: 主に解釈者からです。例えば、新しい設計の進化するパラメータセットがあるとき、それを以前のバッテリー設計にマッピングしてパターンを比較できます。またオラクルも活用します。なぜなら、それは以前の設計で訓練されているからです。さらに、解釈者は私たちが関心を持つパラメータについて教えてくれます。例えば、バッテリー寿命にとって非常に重要だと考える11や14のパラメータがあるなら、解釈者を使って初期テストデータからそれらのパラメータを取得します。

それからオラクルを活用し、これらのパラメータセットを入力として私たちの設計の寿命を予測させます。もちろん、オラクルは最初のラウンドで精密な結果を出せないので、不確実性を減らし、時間とともにより良い結果を得るために反復します。

それがそれほど正確でないことは分かっているので、学習者から2回目の実行を行います。結果を得て、私が選んだ3つのバッテリー設計の寿命を教えてもらいます。でもまだ特定の設計やテスト条件について不確実です。なので、さらに2つのセルを選んで手順をもう一度繰り返す — それが人間の学び方です。異なる条件で反復します。

Tech Briefs: 予測が出たら、それが正しいことをどう証明しますか？

Song: 最初のラウンドでは、新しいバッテリーについて代表的なテスト条件を直感的に選びます。例えば、低温性能、高温性能、中温性能、高放電率、低放電率を気にします。2回目のラウンドでは、さらにセルを選ぶための定量的データがあります。ガウス過程回帰を使って予測の不確実性を出し、最も不確実な予測の条件を再実行して元の予測を確認します。

これはこの分野では一般的な慣行なので、ほとんどの人は信頼しています。しかし、論文発表時に「不確実性定量化が正しいことをどう確認できるか？」というコメントを受けました。異なる方法がありますが、正直すべて試したわけではなく、将来的にやる予定です。

Tech Briefs: バッテリーメーカーがあなたの結果に興味を持ったら、あなたの予測を十分信頼して、組立ラインでバッテリーを作り始めますか？

Song: いい質問です。少なくともほぼ4年間協力している1社のバッテリー会社については、そう信じています。協力の中で彼らは全データを提供してくれ、結果についてエンジニアと議論してきました。彼らは結果を信頼できると考えています。なので、新しいバッテリー設計、特に前の設計とそれほど違わないものがあれば、私たちのフレームワークは機能します。

しかし、この研究の限界も指摘しておきたいと思います。例えば、新しいバッテリー設計が前のものと大きく異なる場合、肯定的に限界を特定することはできません。フレームワークは魔法ではありません — 今持っているドメイン知識が新しい設計と大きく異なるなら、どう予測できますか？

これらの問いを定量化する方法論は得られていません — この作業の範囲外です。だがさらに進める価値はあると思います。例えば、この研究は従来のリチウム電池のみをカバーし、固体電池やリチウムメタルのようなより先進的な技術は含んでいません。

Tech Briefs: つまり、標準的なリチウムイオン電池だけをカバーしている？

Song: その通りです。現在、ほとんどの製品は標準的なリチウムイオン電池を使っています。でも一般的に使われるリチウム電池セルであっても、新しい設計があるとき、EV企業やバッテリー企業は各設計に1年間のテストを行います。なので、私たちのツールは今非常に有用です。だが限界は、大きく異なる設計が来たときにどうするかです。

Tech Briefs: 物理ベースの分析についても言及されていました。それは何を意味しますか？

Song: 物理ベースのモデル、いわゆる第一原理モデルを活用することを意味します。例えば、フィックの拡散方程式のような非常に基本的な物理方程式です。これらを使って、物理的に解釈可能な特徴量を生成できます。以前の多くの論文では、電圧と電流測定から導出される特徴量をただ使うだけで、それらの特定の物理的意味を知りません。

物理モデリングをパラメータキャリブレーションと組み込むことで、パラメータがある傾向に従うなら、なぜあなたのバッテリーセルが十分に耐久性があるのか、あるいはどの種類の劣化メカニズムがあるかを伝えられます。それにより予測がより信頼でき、説明可能になります。

機械学習だけを使って物理に注意を払わないと、訓練データセットが95%のケースで機能する予測をくれるかもしれません。でもそれは、あなたには機能しても、私には機能しないかもしれないということです。私に機能しないなら、物理と矛盾するバカげた予測をくれるかもしれず、それは実践では許容できません。精度について言えば、おそらく1%の誤差はOK、たぶん2%でもOKです。ただ、バカげたクレイジーな予測ではなく、信頼できる推定値を提供したいのです。

Tech Briefs: 物理パラメータをシステムにどう入力しますか？

Song: システム応答を示すモデルを持っています。パラメータが応答と関係があることは知っています。なので、解釈者を使ってそれらのパラメータの統計的分布を取得します。なぜなら、そんなに多数のパラメータを精密にキャリブレートするのは非常に難しいからです。既存の良い設計とデータセットなら、パラメータキャリブレート、分布を取り、あなたのパラメータ分布と傾向をバッテリーセルの寿命にマッピングしようとします。既存のバッテリー設計なら、ライフサイクルテストデータ全体があるので、実際の関係が見えます。それから、この種の関係を新しいバッテリー設計に活用しようとします。

Tech Briefs: 次のステップは？

Song: このフレームワークの限界を明らかにするのが私の計画です。限られたバッテリー設計しかテストできず、すべての設計をテストできるわけではありません。今、固体電池、リチウムメタル、リチウム硫黄電池などが話題になっており、それらは全て異なる化学を持っています。なので、このフレームワークが新しい種類のバッテリーでうまく機能するか見たいです。もしダメなら、何が必要か探ります。フレームワークはまだうまく機能すると思いますが、異なるバッテリー化学は非常に異なる内部物理を持つので、変更が必要でしょう。

バッテリーの人々にとって、最も重要なコンポーネントは解釈者です。この分野でやるべきことはたくさんあります。例えば、固体電池のモデリング性能を高めるために、物理ベースのモデリングを強化できます。